本發(fā)明涉及海冰密集度空間預測領域，尤其涉及一種基于mlr模型的海冰密集度空間預測方法。

背景技術：

1、極地海冰是地球氣候系統(tǒng)的重要組成部分，由于觀測數(shù)據(jù)的局限性和海冰高度非線性的動態(tài)變化，海冰的變化是具有規(guī)律但極為復雜的，包含了多個尺度的物理過程，受到許多氣象因子的制約。目前海冰預報主要依賴于海冰數(shù)值模式、統(tǒng)計預測模型和深度學習預測模型，海冰的數(shù)值模型是地球氣候系統(tǒng)模型的一部分，它依賴于海冰復雜的熱和動力特性來進行預測。目前，國際主流海冰模型包括los?alamous海冰模型(community?icecode，cice)。

2、統(tǒng)計模型預測是利用統(tǒng)計學方法挖掘數(shù)據(jù)本身的變化規(guī)律，對于影響因子和物理過程比較復雜的過程，可以在一定程度上彌補數(shù)值模式預測的不足。針對北極海冰的統(tǒng)計預測始于上世紀80年代，側重于利用海冰與大氣、海洋等的關系對單一參數(shù)。在海冰預測上，多種深度學習模型已被廣泛應用，其中，卷積神經網絡(convolutional?neuralnetworks，cnn)具有強大的特征提取能力，能夠自動從海冰圖像或時間序列數(shù)據(jù)中學習并提取關鍵的空間特征，為預測模型提供豐富的信息輸入。除此之外，深度神經網絡(deepneural?networks，dnn)、人工神經網絡(artificial?neural?networks，ann)和卷積長短時記憶網絡(convolutional?long?short-term?memory，convlstm)等方法也常被用于建立海冰預測的深度學習預測模型。

3、海冰的變化過程極為復雜，涉及不同尺度的物理過程，并受到多種氣象因子的顯著影響。目前，海冰的大尺度的海冰變化已在數(shù)值模型中得到了深入的分析和模擬，然而，近年來極地海冰的異常變化對現(xiàn)有數(shù)值模型提出了更高的要求，這些變化增加了模型中物理參數(shù)方案的不確定性，并可能導致模擬結果出現(xiàn)顯著偏差。特別是在模擬極地海冰事件時，模型顯示出了較大的偏差和較差的預測效果。

4、此外，盡管深度學習模型在預測方面展現(xiàn)出了顯著的優(yōu)勢，但其預測效果在很大程度上依賴于訓練數(shù)據(jù)的質量和數(shù)量。先前的海冰預測中大多使用本地的氣象要素，這樣忽略了遙相關的海氣信號的影響，從而未能反映遙相關海氣因子對海冰的預測影響。因此需要一種基于mlr模型的海冰密集度空間預測方法。

技術實現(xiàn)思路

1、本發(fā)明的目的是要提供一種基于mlr模型的海冰密集度空間預測方法。

2、為達到上述目的，本發(fā)明是按照以下技術方案實施的：

3、本發(fā)明包括以下步驟：

4、計算威德爾海海冰密集度與全球海面溫度、平均海平面氣壓和地表氣溫在不同提前期內的超前滯后相關系數(shù)，用以確定影響威德爾海sic的大氣和海洋預測因子；

5、基于所述預測因子構建mlr空間預測模型，在所述預測因子中分別過去12個月的sic數(shù)據(jù)；

6、根據(jù)預測的對象所述mlr模型是根據(jù)上述六個預測因子，對南極威德爾海區(qū)域每個格點的sic都進行多元線性回歸，實現(xiàn)海冰空間分布的逐月預測。

7、進一步地，所述預測因子包括提前期40個月的北太平洋海溫確定的pdo指數(shù)，提前期28個月的東熱帶太平洋海溫指數(shù)etposst，提前期3個月的西熱帶印度洋海溫指數(shù)wtiosst，提前期57個月的南熱帶大西洋海溫指數(shù)stao?sst，提前期6個月的slp指數(shù)，提前期1個月的威德爾—阿蒙森海sat指數(shù)。

8、進一步地，構建所述基于mlr的空間預測模型的方法，包括：

9、對某一預報量y，建立與之相關的多個因子x(x1,x2,···,xp)的定量統(tǒng)計關系：

10、

11、其中，b1,b2,···,bp為自變量x1,x2,···,xp各自對應的回歸系數(shù)，b0為y的截距；

12、利用確定的六個潛在的影響因子和其對應的領先時間，建立以下的mlr方程：

13、

14、其中，k表示當前預報時間，i和j表示空間的大小，其中i＝1,......,n,j＝1,......,m。

15、進一步地，在所述預測因子中分別過去12個月的sic數(shù)據(jù)，所述sic數(shù)據(jù)的預測模型改善如下：

16、

17、其中，為截距，為各分量對sic的回歸系數(shù)，各格點的回歸系數(shù)不同。

18、第二方面，本申請實施例還提供一種電子設備，包括：

19、處理器；以及被安排成存儲計算機可執(zhí)行指令的存儲器，所述可執(zhí)行指令在被執(zhí)行時使所述處理器執(zhí)行第一方面所述的方法步驟。

20、第三方面，本申請實施例還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個程序，所述一個或多個程序當被包括多個應用程序的電子設備執(zhí)行時，使得所述電子設備執(zhí)行第一方面所述的方法步驟。

21、本發(fā)明的有益效果是：

22、本發(fā)明是一種基于mlr模型的海冰密集度空間預測方法，與現(xiàn)有技術相比，本發(fā)明具有以下技術效果：

23、本發(fā)明整合有限的海冰直接觀測數(shù)據(jù)，并結合大氣和海洋的遙相關氣候信號，用于預測南極威德爾海的海冰密集度

24、本發(fā)明減少計算資源消耗，降低計算成本的同時，顯著提高海冰統(tǒng)計預測模型的精確度，可以準確地捕捉南極海冰的變化趨勢，為海冰預測和氣候變化研究提供重要的經驗和參考。

技術特征：

1.一種基于mlr模型的海冰密集度空間預測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于mlr模型的海冰密集度空間預測方法，其特征在于，所述預測因子包括提前期40個月的北太平洋海溫確定的pdo指數(shù)，提前期28個月的東熱帶太平洋海溫指數(shù)etposst，提前期3個月的西熱帶印度洋海溫指數(shù)wtio?sst，提前期57個月的南熱帶大西洋海溫指數(shù)stao?sst，提前期6個月的slp指數(shù)，提前期1個月的威德爾—阿蒙森海adwsat指數(shù)。

3.根據(jù)權利要求1所述的一種基于mlr模型的海冰密集度空間預測方法，其特征在于，構建所述基于mlr的空間預測模型的方法，包括：

4.根據(jù)權利要求1所述的一種基于mlr模型的海冰密集度空間預測方法，其特征在于，在所述預測因子中分別過去12個月的sic數(shù)據(jù)，所述sic數(shù)據(jù)的預測模型改善如下：

5.一種電子設備，包括：處理器；以及被安排成存儲計算機可執(zhí)行指令的存儲器，所述可執(zhí)行指令在被執(zhí)行時使所述處理器執(zhí)行所述權利要求1～4之任一所述方法。

6.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個程序，所述一個或多個程序當被包括多個應用程序的電子設備執(zhí)行時，使得所述電子設備執(zhí)行所述權利要求1～4之任一所述方法。

技術總結
本發(fā)明公開了一種基于MLR模型的海冰密集度空間預測方法，包括計算威德爾海海冰密集度與全球海面溫度、平均海平面氣壓和地表氣溫在不同提前期內的超前滯后相關系數(shù)，用以確定影響威德爾海SIC的大氣和海洋預測因子；基于所述預測因子構建MLR空間預測模型，在所述預測因子中分別過去12個月的SIC數(shù)據(jù)；根據(jù)預測的對象所述MLR模型是根據(jù)上述六個預測因子，對南極威德爾海區(qū)域每個格點的SIC都進行多元線性回歸，實現(xiàn)海冰空間分布的逐月預測。本發(fā)明是基于MLR統(tǒng)計方法建立威德爾海SIC的空間逐月預測模型，能將遙遠的大氣和海洋的氣候信號納入海冰預測中，可以分別考慮大氣、海洋和海冰自身的持續(xù)性對預測的影響，MLR模型表現(xiàn)出較好的預測能力。

技術研發(fā)人員：趙惠君,肖棟,陳奇,吳蔚,郭靜妍
受保護的技術使用者：上海市氣候中心（上海區(qū)域氣候中心）
技術研發(fā)日：
技術公布日：2024/12/10